Amazon Fraud Detector tidak lagi terbuka untuk pelanggan baru pada 7 November 2025. Untuk kemampuan yang mirip dengan Amazon Fraud Detector, jelajahi Amazon SageMaker, AutoGluon, dan AWS WAF.

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Bangun model

Model Amazon Fraud Detector belajar mendeteksi penipuan untuk jenis peristiwa tertentu. Di Amazon Fraud Detector, pertama-tama Anda membuat model, yang bertindak sebagai wadah untuk versi model Anda. Setiap kali Anda melatih model, versi baru dibuat. Untuk detail tentang cara membuat dan melatih model menggunakan Kon AWS sol, lihatLangkah 3: Buat model.

Setiap model memiliki variabel skor model yang sesuai. Amazon Fraud Detector membuat variabel ini atas nama Anda saat Anda membuat model. Anda dapat menggunakan variabel ini dalam ekspresi aturan untuk menafsirkan skor model Anda selama evaluasi penipuan.

Melatih dan menyebarkan model menggunakan AWS SDK untuk Python (Boto3)

Versi model dibuat dengan memanggil CreateModelVersion operasi CreateModel dan. CreateModelmemulai model, yang bertindak sebagai wadah untuk versi model Anda. CreateModelVersionmemulai proses pelatihan, yang menghasilkan versi model tertentu. Versi baru dari solusi dibuat setiap kali Anda meneleponCreateModelVersion.

Contoh berikut menunjukkan permintaan sampel untuk CreateModel API. Contoh ini membuat jenis model Wawasan Penipuan Online dan mengasumsikan Anda telah membuat jenis peristiwasample_registration. Untuk detail tambahan tentang membuat jenis acara, lihatBuat jenis acara.

import boto3
fraudDetector = boto3.client('frauddetector')

fraudDetector.create_model (
modelId = 'sample_fraud_detection_model',
eventTypeName = 'sample_registration',
modelType = 'ONLINE_FRAUD_INSIGHTS')

Latih versi pertama Anda menggunakan CreateModelVersion API. Untuk TrainingDataSource dan ExternalEventsDetail tentukan sumber dan lokasi Amazon S3 dari kumpulan data pelatihan. Untuk TrainingDataSchema menentukan bagaimana Amazon Fraud Detector harus menafsirkan data pelatihan, khususnya variabel peristiwa mana yang akan disertakan dan bagaimana mengklasifikasikan label acara. Secara default, Amazon Fraud Detector mengabaikan peristiwa yang tidak diberi label. Kode contoh ini digunakan AUTO for unlabeledEventsTreatment untuk menentukan bahwa Amazon Fraud Detector memutuskan cara menggunakan peristiwa tanpa label.

import boto3
fraudDetector = boto3.client('frauddetector')

fraudDetector.create_model_version (
modelId = 'sample_fraud_detection_model',
modelType = 'ONLINE_FRAUD_INSIGHTS',
trainingDataSource = 'EXTERNAL_EVENTS',
trainingDataSchema = {
    'modelVariables' : ['ip_address', 'email_address'],
    'labelSchema' : {
        'labelMapper' : {
            'FRAUD' : ['fraud'],
            'LEGIT' : ['legit']
        }
       unlabeledEventsTreatment = 'AUTO'
    }
}, 
externalEventsDetail = {
    'dataLocation' : 's3://bucket/file.csv',
    'dataAccessRoleArn' : 'role_arn'
}
)

Permintaan yang berhasil akan menghasilkan versi model baru dengan statusTRAINING_IN_PROGRESS. Kapan saja selama pelatihan, Anda dapat membatalkan pelatihan dengan menelep UpdateModelVersionStatus on dan memperbarui status keTRAINING_CANCELLED. Setelah pelatihan selesai, status versi model akan diperbarui keTRAINING_COMPLETE. Anda dapat meninjau kinerja model menggunakan konsol Amazon Fraud Detector atau dengan meneleponDescribeModelVersions. Untuk informasi lebih lanjut tentang cara menafsirkan skor dan kinerja model, lihat Skor model danMetrik kinerja model.

Setelah meninjau kinerja model, aktifkan model untuk membuatnya tersedia untuk digunakan oleh Detector dalam prediksi penipuan real-time. Amazon Fraud Detector akan menerapkan model di beberapa zona ketersediaan untuk redundansi dengan penskalaan otomatis diaktifkan untuk memastikan model berskala dengan jumlah prediksi penipuan yang Anda buat. Untuk mengaktifkan model, panggil UpdateModelVersionStatus API dan perbarui status keACTIVE.

import boto3
fraudDetector = boto3.client('frauddetector')

fraudDetector.update_model_version_status (
modelId = 'sample_fraud_detection_model',
modelType = 'ONLINE_FRAUD_INSIGHTS',
modelVersionNumber = '1.00',
status = 'ACTIVE'
)